如何在Python中堆叠多段WAV音频文件并实现音量控制？

当然可行啦！你之前找到的代码是做音频拼接（把音频首尾相连），而你需要的混音（堆叠）得把多个音频的采样数据在对应位置相加，还要处理音量和避免失真的问题。下面给你两种实用的实现方式：

方法一：用wave + numpy手动实现 #

这种方式适合想深入理解音频处理原理的场景，我们会手动读取采样数据、调整音量、混合后再写入文件。

首先需要安装numpy：

pip install numpy

实现代码：

import wave
import numpy as np

def mix_wav_files(infiles, outfile, volumes=None):
    # 默认所有音频音量为1.0（原音量）
    if volumes is None:
        volumes = [1.0] * len(infiles)
    
    # 读取第一个文件的参数作为基准（采样率、位深、声道数等）
    with wave.open(infiles[0], 'rb') as wf:
        base_params = wf.getparams()
        sample_width = base_params.sampwidth
        channels = base_params.nchannels
        total_frames = base_params.nframes
    
    # 先检查所有输入文件参数是否一致，不一致的话没法直接混音
    for infile in infiles[1:]:
        with wave.open(infile, 'rb') as wf:
            if wf.getparams() != base_params:
                raise ValueError("所有输入WAV文件的采样率、位深、声道数必须一致哦")
    
    # 初始化混合后的音频数据数组（用float64避免计算溢出）
    mixed_data = np.zeros((total_frames * channels,), dtype=np.float64)
    
    for idx, infile in enumerate(infiles):
        with wave.open(infile, 'rb') as wf:
            # 读取原始字节数据并转换成数值数组
            raw_bytes = wf.readframes(total_frames)
            
            # 根据位深转换为-1到1之间的浮点数
            if sample_width == 1:
                # 8位无符号整数
                audio_data = np.frombuffer(raw_bytes, dtype=np.uint8)
                audio_data = (audio_data - 128) / 128.0
            elif sample_width == 2:
                # 16位有符号整数（最常见的WAV格式）
                audio_data = np.frombuffer(raw_bytes, dtype=np.int16)
                audio_data = audio_data / 32768.0
            elif sample_width == 4:
                # 32位有符号整数
                audio_data = np.frombuffer(raw_bytes, dtype=np.int32)
                audio_data = audio_data / 2147483648.0
            else:
                raise ValueError(f"暂不支持{sample_width}字节的采样位深")
            
            # 应用音量控制
            audio_data *= volumes[idx]
            # 把当前音频数据累加到混合数组里
            mixed_data += audio_data
    
    # 处理溢出：把数值限制在-1到1之间，避免音频失真
    mixed_data = np.clip(mixed_data, -1.0, 1.0)
    
    # 转换回原始位深的字节数据
    if sample_width == 1:
        mixed_data = (mixed_data * 128 + 128).astype(np.uint8)
    elif sample_width == 2:
        mixed_data = (mixed_data * 32768).astype(np.int16)
    elif sample_width == 4:
        mixed_data = (mixed_data * 2147483648).astype(np.int32)
    
    # 写入输出文件
    with wave.open(outfile, 'wb') as wf:
        wf.setparams(base_params)
        wf.writeframes(mixed_data.tobytes())

# 使用示例
if __name__ == "__main__":
    input_files = ["sound_1.wav", "sound_2.wav"]
    output_file = "mixed_audio.wav"
    # 自定义音量：sound_1用70%原音量，sound_2用50%原音量
    volume_settings = [0.7, 0.5]
    mix_wav_files(input_files, output_file, volume_settings)

方法二：用pydub快速实现（更简洁） #

如果你不想处理底层细节，pydub是个非常省心的音频处理库，它封装了很多常用操作，混音和音量调整都只需要几行代码。

首先安装依赖：

pip install pydub

另外需要确保系统安装了ffmpeg：

• Windows：下载ffmpeg并添加到系统PATH
• Linux：用包管理器安装（比如sudo apt install ffmpeg）
• macOS：用Homebrew安装（brew install ffmpeg）

实现代码：

from pydub import AudioSegment
import numpy as np

def mix_wav_files_pydub(infiles, outfile, volumes=None):
    if volumes is None:
        volumes = [1.0] * len(infiles)
    
    # 加载第一个音频作为混音基础
    mixed_audio = AudioSegment.from_wav(infiles[0])
    # 调整第一个音频的音量：pydub用分贝调整，20*log10(音量倍数)转换为分贝值
    mixed_audio += 20 * np.log10(volumes[0])
    
    # 依次叠加其他音频
    for idx, infile in enumerate(infiles[1:]):
        current_audio = AudioSegment.from_wav(infile)
        # 调整当前音频的音量
        adjusted_audio = current_audio + 20 * np.log10(volumes[idx])
        # 叠加音频（position=0表示从开头对齐）
        mixed_audio = mixed_audio.overlay(adjusted_audio, position=0)
    
    # 导出混音后的文件
    mixed_audio.export(outfile, format="wav")

# 使用示例
if __name__ == "__main__":
    input_files = ["sound_1.wav", "sound_2.wav"]
    output_file = "mixed_audio_pydub.wav"
    volume_settings = [0.7, 0.5]
    mix_wav_files_pydub(input_files, output_file, volume_settings)

一些注意事项 #

• 如果输入音频长度不同，两种方法都会自动以最长的音频为基准，短音频结束后只会保留长音频的声音。
• 音量调整时，建议把所有音频的音量倍数总和控制在1左右，避免混合后音量过大导致失真；也可以在混音完成后再整体调整音量。
• 方法一要求所有输入音频参数一致，方法二会自动转换参数（比如把不同采样率的音频转成和第一个音频一致的）。

内容的提问来源于stack exchange，提问作者CMinusMinus